基于帧间相似性约束鲁棒主成分分析模型的运动目标检测

针对鲁棒主成分分析模型RPCA(robust principle component analysis)未能有效地利用相邻两帧具有相似性这一特性,提出基于帧间相似性约束鲁棒主成分分析模型的运动目标检测算法。考虑到时间序列数据中相邻数据之间的相似性特性,在原始的RPCA模型基础上,引入帧间相似性约束条件,通过求解新的RPCA模型可以得到平滑的低秩数据矩阵和稀疏误差矩阵,有效保留了原有序列数据中的相似性结构。将该模型用于运动目标检测,观测图像序列分解成低秩背景矩阵和稀疏运动目标矩阵,对分解出的运动目标进行二值化,并对检测出的运动目标图像进行定性分析和采用Similarity与F-measure评判标准进行定量分析。通过实验结果分析,该算法能够有效地对运动目标进行检测,提高运动目标的检测率。     

加权低秩矩阵恢复的混合噪声图像去噪

传统的基于低秩矩阵恢复的图像去噪算法只对低秩部分进行约束,当高斯噪声过大时,会导致去噪不充分或细节严重丢失。针对此问题,提出了一种新的鲁棒的图像去噪模型。该模型在原有的低秩矩阵核范数约束的基础上引入高斯噪声约束项,此外为了提高低秩矩阵的低秩性和稀疏矩阵的稀疏性,引入了加权的方法。为了考察方法的去噪能力,选取了不同参数类型的混合噪声图像进行仿真,并结合峰值信噪比、结构相似度评价标准与传统的基于低秩矩阵恢复的图像去噪算法进行对比。实验结果表明,加权低秩矩阵恢复的混合噪声图像去噪算法能增加低秩矩阵的低秩性和稀疏矩阵的稀疏性,在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,同时,客观评价指标均有所提高。     

自适应低秩稀疏分解在运动目标检测中的应用

针对视频处理中运动目标的精确检测这一问题,提出了一种自适应的低秩稀疏分解算法。该算法首先用背景模型与待求解的帧向量构建增广矩阵,然后使用鲁棒的主成分分析(robust principal component analysis,RPCA)对降维后的增广矩阵进行低秩稀疏分解,分离出的低秩部分和稀疏噪声分别对应于视频帧的背景和运动前景,然后使用增量奇异值分解方法用当前得到的背景向量更新背景模型。实验结果表明,该算法能更好地处理光线变化、背景运动等复杂场景,并有效降低算法的延迟和内存的占用。     

基于背景先验与低秩恢复的显著性目标检测方法

显著性检测是指计算机通过算法自动识别出图像中的显著性目标，广泛应用于目标识别、图像检索与图像分类等领域。针对现有基于稀疏与低秩矩阵恢复的显著性检测模型中低秩转换矩阵的获取、前景稀疏矩阵的处理以及超像素块之间的关系，需对现有的稀疏与低秩矩阵恢复模型进行优化，使之更好地适用于图像的显著性检测。首先，根据背景的对比度和连通度原则获取图像低秩的背景字典，采用3种尺度分割图像的多个特征矩阵获得图像的前景稀疏矩阵；其次，通过计算邻居像素点之间的影响因子矩阵与置信度矩阵对显著图的结果进行结构约束，并且采用稀疏与低秩矩阵恢复模型对图像进行显著性检测；最后，利用K-means聚类算法的传播机制优化得到的显著图。在公开数据集上进行实验验证,结果证明本文方法能够准确有效地检测出显著性目标。     

基于低秩稀疏评分的非监督特征选择

在处理高维数据过程中,特征选择是一个非常重要的数据降维步骤。低秩表示模型具有揭示数据全局结构信息的能力和一定的鉴别能力。稀疏表示模型能够利用较少的连接关系揭示数据的本质结构信息。在低秩表示模型的基础上引入稀疏约束项,构建一种低秩稀疏表示模型学习数据间的低秩稀疏相似度矩阵;基于该矩阵提出一种低秩稀疏评分机制用于非监督特征选择。在不同数据库上将选择后的特征进行聚类和分类实验,同传统特征选择算法进行比较。实验结果表明了低秩特征选择算法的有效性。     

卷积鲁棒主成分分析

鲁棒主成分分析（RPCA）是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据。但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据。研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的。根据这一原理,提出一种称为卷积鲁棒主成分分析（CRPCA）的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复。CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法（ADMM）来进行求解。通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析（GRPCA）以及核鲁棒主成分分析（KRPCA）在处理数据非低秩问题上优越性。     

非凸加权核范数及其在运动目标检测中的应用

目的 近年来,低秩矩阵分解被越来越多的应用到运动目标检测中。但该类方法一般将矩阵秩函数松弛为矩阵核函数优化,导致背景恢复精度不高;并且没有考虑到前景目标的先验知识,即区域连续性。为此提出一种结合非凸加权核范数和前景目标区域连续性的目标检测算法。方法 本文提出的运动目标检测模型以鲁棒主成分分析(RPCA)作为基础,在该基础上采用矩阵非凸核范数取代传统的核范数逼近矩阵低秩约束,并结合了前景目标区域连续性的先验知识。该方法恢复出的低秩矩阵即为背景图像矩阵,而稀疏大噪声矩阵则是前景目标位置矩阵。结果 无论是在仿真数据集还是在真实数据集上,本文方法都能够取得比其他低秩类方法更好的效果。在不同数据集上,该方法相对于RPCA方法,前景目标检测性能提升25%左右,背景恢复误差降低0.5左右;而相对于DECOLOR方法,前景目标检测性能提升约2%左右,背景恢复误差降低0.2左右。结论 矩阵秩函数的非凸松弛能够比凸松弛更准确的表征出低秩特征,从而在运动目标检测应用中更准确的恢复出背景。前景目标的区域连续性先验知识能够有效地过滤掉非目标大噪声产生的影响,使得较运动目标检测的精度得到大幅提高。因此,本文方法在动态纹理背景、光照渐变等较复杂场景中均能够较精确地检测出运动目标区域。但由于区域连续性的要求,本文方法对于小区域多目标的检测效果不甚理想。     

低秩–稀疏与全变分表示的运动目标检测方法

针对含有动态背景的运动目标检测问题,本文提出了一种低秩–稀疏与全变分表示的运动目标检测方法.提出方法以鲁棒主成分分析(RPCA)为基础,利用三维全变分对运动目标约束,去除动态背景的干扰;同时利用低秩矩阵在正交子空间下系数的群稀疏性来加速低秩矩阵的秩最小化,弥补全变分计算量大的问题,平衡整体运行速度.实验结果表明,该方法不仅能准确检测复杂背景下的运动目标,而且还保持了较快的运行速度.     

一种基于低秩恢复稀疏表示分类器的人脸识别方法

针对基于稀疏表示分类器(Sparse Representation-based Classification,SRC)的人脸识别方法用单位阵作误差字典不能很好地描述人脸图像噪声和误差以及由于训练样本不足可能造成字典不完备的问题,提出一种基于低秩恢复稀疏表示分类器(Low Rank Recovery Sparse Representation-based Classification,LRR_SRC)的人脸识别方法。该方法首先采用低秩矩阵恢复(LRR)算法将训练样本矩阵分解为一个低秩逼近矩阵和一个稀疏误差矩阵。然后,由低秩逼近矩阵和误差矩阵组成字典。在此基础上,得到测试样本在该字典下的稀疏表示。更进一步,基于测试样本的稀疏表示系数和字典,对测试样本进行类关联重构,并计算其类关联重构误差。最后,基于类关联重构误差,完成测试样本的分类识别。在YaleB和CMU PIE人脸数据库上的实验结果表明,提出的基于LRR_SRC的人脸识别方法具有较高的识别率。     

基于近似稀疏正则化的低秩张量填充算法

针对目前大多数的低秩张量填充模型存在稀疏过约束而导致恢复数据的细微特征被忽略的现象,本文借助低秩矩阵分解和框架变换,引入软阈值算子的■范数正则项,提出一个基于近似稀疏正则化的低秩张量填充模型.为有效地求解该模型,我们将■范数改写为具有非线性不连续权函数的加权■范数,并用连续权函数逼近不连续权函数,在此基础上设计块逐次上界极小化的求解算法.在一定条件下,证明该算法的收敛性.大量实验表明,本文所提出的算法比现有一些经典算法能更好地重建得到图像的局部细节特征.     

快速判定几何约束奇异性的切面扰动法

针对冗余奇异和分支奇异的判定问题,提出一种新的切面扰动的判定方法.该方法将奇异的雅可比矩阵分为独立构型空间和奇异空间,变量沿独立构型空间的切面扰动,计算更新的雅克比矩阵的秩,依据秩亏的变化可以快速、稳定地判定约束奇异性.该算法克服了残量扰动法的数值迭代、计算量大和不稳定的缺点,并且在参数化特征造型系统InteSolid中得到验证.     

A New Characterization for Positive Real and *-Norm Controllers

The solvability conditions for positive real and *-norm controller synthesis problems are expressed in terms of linear matrix inequalities that include the compensator gains implicitly. A variety of issues, including explicit expressions for the solutions, the issue of strictly proper vs proper controllers and relaxing full rank assumptions on the penalty matrices can be discussed. Extension to systems with parametric uncertainties is also discussed.     

联合矩阵F范数的低秩图像去噪

摘 要：目的：低秩矩阵恢复是通过最小化矩阵核范数来获得低秩解,然而待恢复低秩矩阵相关性低的要求往往会导致求解不稳定的情况。方法：针对该问题,研究一种基于变量分裂的低秩图像恢复去噪算法,引入待恢复矩阵的Frobenius范数作为新正则项,与原有低秩矩阵的核范数组成联合正则化项,对问题进行凸松弛后,采用变量分裂的增广拉格朗日乘子法求解。结果：为考察方法的稳定性和去噪能力,选取了不同参数类型的加噪图像进行仿真,并结合恢复时间、信噪比、差错率等评价标准与现有低秩矩阵恢复算法进行对比。结论：实验结果表明增加Frobenius范数的低秩矩阵恢复模型在保持原有低秩稀疏恢复的前提下,具有良好的去噪性能,对相关性强的低秩图像恢复结果稳定性好,获得了更高的信噪比。     

STC-OFDM系统中的信道估计算法

针对稀疏信道特性的STC-OFDM系统,提出一种基于参数模型的导频信道估计方法。利用最小二乘算法估计出导频所在位置的频率响应,用时间平均相关代替统计平均相关,得到信道相关矩阵的估计值。通过基于特征值分解的低秩建模,估计出信道的多径数目,利用旋转不变子空间方法估计出各个延迟的时间参数,在频率和时间域上插值平滑得到信道的频率响应。该方法不需要已知信道的先验信息,仿真结果证明了该方法的有效性。     

基于秩4约束的遮挡点恢复方法

提出了一种基于秩4约束的遮挡点恢复方法.该方法 首先假设所有的遮挡点及深度因子已知,利用所有遮挡点及深度因子组成一个秩4矩阵的特 性,构造一个投影矩阵,并利用该投影矩阵求得所有的遮挡点及深度因子.然后将求得的遮 挡点及深度因子代替图像中的遮挡点和深度因子,再求投影矩阵.经过多次迭代,最后求得 遮挡点的真实图像位置.该方法的优点是平等地看待所有的图像及图像点.模拟实验和真实实 验表明,该方法具有鲁棒性好、收敛性好及误差小等优点.     

基于全卷积神经网络与低秩稀疏分解的显著性检测

为了准确检测复杂背景下的显著区域,提出一种全卷积神经网络与低秩稀疏分解相结合的显著性检测方法,将图像分解为代表背景的低秩矩阵和对应显著区域的稀疏噪声,结合利用全卷积神经网络学习得到的高层语义先验知识,检测图像中的显著区域.首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;然后,在MSRA数据库中,基于梯度下降法学习得到特征变换矩阵,利用全卷积神经网络学习得到高层语义先验知识;接着,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;最后,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图.在公开数据集上进行实验验证,并与当前流行的方法进行对比,实验结果表明,本文方法能够准确地检测感兴趣区域,是一种有效的自然图像目标检测与分割的预处理方法.     

Estimation of the chemical rank for the three-way data: a principal norm vector orthogonal projection approach.

A new approach for estimating the chemical rank of the three-way array called the principal norm vector orthogonal projection method has been proposed. The method is based on the fact that the chemical rank of the three-way data array is equal to one of the column space of the unfolded matrix along the spectral or chromatographic mode. A vector with maximum Frobenius norm is selected among all the column vectors of the unfolded matrix as the principal norm vector (PNV). A transformation is conducted for the column vectors with an orthogonal projection matrix formulated by PNV. The mathematical rank of the column space of the residual matrix thus obtained should decrease by one. Such orthogonal projection is carried out repeatedly till the contribution of chemical species to the signal data is all deleted. At this time the decrease of the mathematical rank would equal that of the chemical rank, and the remaining residual subspace would entirely be due to the noise contribution. The chemical rank can be estimated easily by using an F-test. The method has been used successfully to the simulated HPLC-DAD type three-way data array and two real excitation-emission fluorescence data sets of amino acid mixtures and dye mixtures. The simulation with added relatively high level noise shows that the method is robust in resisting the heteroscedastic noise. The proposed algorithm is simple and easy to program with quite light computational burden.